基于无人机高光谱影像的引黄灌区水稻叶片全氮含量估测

实时监测水稻氮素状况对于评估水稻长势及精准田间管理意义重大。为确定宁夏引黄灌区水稻叶片全氮含量的最优高光谱估测方法,该文依托不同氮素水平水稻试验,基于成像高光谱数据和无人机高光谱影像,综合运用统计分析及遥感参数成图技术,对比分析光谱指数与偏最小二乘回归方法预测水稻叶片全氮含量的精确度和稳健性。结果表明,以组合波段738和522 nm光谱反射率的一阶导数构成的比值光谱指数(ratio spectral index,RSI)构建的线性模型为水稻叶片全氮含量的最优估测模型(检验R2为0.673,均方根误差为0.329,相对分析误差为2.02);无人机高光谱影像反演的水稻叶片全氮含量分布范围(1.28%~2.56%)与地面实际情况较相符(1.34%~2.49%)。研究结果可为区域尺度水稻氮素含量的空间反演及精准农业的高效实施提供科学和技术依据。     

基于高光谱数据的土壤全氮含量估测模型对比研究

构建基于高光谱数据的土壤全氮含量估测模型,为快速、准确监测农田土壤全氮含量,判断作物生长发育情况和评价土地质量提供新的技术和方法.以新疆南疆地区主要类型土壤为研究对象,于室内测定土壤全氮含量和光谱反射率数据,利用偏最小二乘回归(PLSR)、支持向量机回归(SVM)、随机森林回归(RF)与光谱反射率(R)及其4种数学变换...     

结合SPA和PLS法提高冬小麦冠层全氮高光谱估算的精确度

【目的】 冠层高光谱全波段信息可以在小麦拔节期快速无损地估算叶片的氮含量。本研究结合连续投影算法 (SPA) 和偏最小二乘 (PLS) 技术,筛选了冬小麦拔节期冠层光谱对叶片氮含量的敏感特征波段,以期为冬小麦关键生育期氮素含量的遥感估算提供理论依据和技术支持。 【方法】 以陕西关中地区2015—2016年冬小麦小区试验为基础,基于连续投影算法 (SPA) 提取冬小麦叶片全氮含量的冠层光谱敏感波段,并结合偏最小二乘 (PLS) 回归法建立基于敏感特征波段的冬小麦拔节期叶片氮含量估算模型。 【结果】 SPA算法从冬小麦338～2510 nm的冠层光谱中优选出了1985 nm、2474 nm、1751 nm、1916 nm、2507 nm、1955 nm、2465 nm和344 nm共计8个叶片全氮含量的敏感特征波段,波段数目下降了98.9%,有效降低了光谱信息的冗余;基于敏感特征波段构建的叶片氮含量偏最小二乘回归模型的决定系数和均方根误差分别为0.82和0.28,模型验证方程的决定系数和均方根误差分别为0.84和0.21,模型的相对预测偏差大于2,具有较高的精度和良好的预测能力。 【结论】 与常用植被指数的叶片氮含量估算模型相比,连续投影算法 (SPA) 结合偏最小二乘 (PLS) 方法的叶片氮含量估算精度更高,稳定性更强,可以作为冬小麦拔节期叶片氮含量的高光谱估算方法。      

基于高光谱的寒地水稻叶片氮素含量预测

为快速、无损和准确地诊断水稻营养状况,开展了基于高光谱成像技术的寒地水稻叶片氮素含量预测研究。以不同施氮水平下的水稻叶片为研究对象,利用高光谱成像技术,分析拔节期水稻叶片光谱,采用全波段高光谱数据、连续投影算法及分段主成分分析(segmented principal components analysis,SPCA)与相关分析(correlation analysis,CA)相结合的方法建立多种回归分析模型,并对模型进行检验和筛选。结果表明:随着施氮水平提高,水稻叶片反射率在可见光区域降低,在近红外区域升高。在校正集决定系数上,基于多元逐步回归分析的全波段模型较好,校正集决定系数为0.821,校正集均方根误差RMSEC=0.079;在预测集决定系数上,基于SPCA-CA结合多元回归分析的多变量单波段指数、差值指数、双差值指数模型较好,预测集决定系数为0.869,预测集均方根误差RMSEP=0.085。该研究结果为快速检测水稻叶片氮素含量及水稻生长期间精确施肥管理提供了参考。     

基于玉米叶片光谱特征的土壤无机氮含量估算模型的建立与验证

  【目的】  作物叶片颜色反映土壤养分的供应状况。研究作物叶片氮素相关的特征光谱信息与土壤无机氮含量的关系,以建立基于叶片光谱信息的土壤无机氮含量诊断模型,实现利用高光谱技术对作物和土壤进行实时监测。  【方法】  在两年(2017—2018) 的玉米 (郑单958) 田间试验中,设置6个施氮水平,施氮量分别为0、60、120、180、240、300 kg/hm2。在玉米的拔节期、大喇叭口期、开花吐丝期、灌浆期测定叶片高光谱反射率,对植株和土壤样品进行采集,分析土壤无机氮含量的变化,明确叶片光谱反射率与土壤无机氮含量的关系,利用光谱参数和偏最小二乘回归法 (partial least squares regression,PLSR) 建立诊断模型并进行模型精度的评价。  【结果】  施氮处理土壤无机氮含量显著高于不施氮处理,随着生育期的推移,土壤无机氮含量呈递减趋势,追肥可显著提高土壤无机氮含量。拔节期和开花吐丝期叶片光谱反射率与土壤无机氮含量在可见光波段呈负相关关系,在近红外波段呈正相关关系;大喇叭口期两者在可见光波段呈负相关关系,灌浆期两者无明显相关关系。在光谱参数模型中,4个生育期土壤无机氮含量预测的最佳光谱指数分别为RVI-2、RSI (534,726)、RSI (567,519) 和RVI-2,其回归模型验证集的R2分别为0.642、0.749、0.696、0.540。在PLSR预测模型中,利用PLSR建立的诊断模型验证集的R2分别为0.876、0.838、0.765、0.595,RPD (ratio of percent deviation) 分别为2.140、2.077、2.002、1.369。  【结论】  基于叶片光谱反射率建立的PLSR估算模型,在玉米的拔节期、大喇叭口期、开花吐丝期均能很好地预测土壤无机氮含量。因此,利用叶片光谱特征诊断土壤无机氮含量具有一定的可行性。     

水稻叶片氮素及籽粒蛋白质含量的高光谱估测模型

研究水稻叶片氮素和籽粒蛋白质含量的高光谱快速、无损监测方法,对于水稻营养诊断、籽粒品质监测及氮肥高效利用具有重要意义。本文通过水稻盆栽试验,测定水稻叶片氮素、籽粒蛋白质含量和冠层光谱,采用不同的光谱建模方法来提高氮素、籽粒蛋白质含量的估测精度。先用主成分分析(PCA)方法进行特征波段的提取,再用多元线性回归(MLR)、人工神经网络(ANN)和偏最小二乘回归(PLSR)进行建模。结果表明,水稻叶片氮素和籽粒蛋白质含量与特征光谱存在很好的模型关系,3种模型预测的决定系数(R2_p)均在0.847以上,并以PLSR模型的预测效果为最好,可以实现水稻氮素营养和籽粒品质的高光谱估测。     

基于包络线消除法的油菜氮素营养高光谱评价

该文将广泛应用于岩矿高光谱分析中的包络线消除法借用至鲜叶片的光谱分析及作物氮素营养状况评价。利用油菜主要生育期的不同氮处理下鲜叶片反射光谱及全氮含量数据,对鲜叶片可见光波段反射光谱进行包络线消除处理,以及吸收特征与叶片全氮含量的统计分析。结果表明:在可见光区域,叶片反射率随着施氮量的增加而减小,包络线消除处理扩大了原始反射光谱中由氮素胁迫引起的吸收特征微小变化。在油菜的苗期、现蕾期至开花始期三个生育期中,550～750 nm波段的红光吸收峰总面积、吸收峰左面积和吸收峰右面积均随着施氮量的增加而增大,面积归一化最大吸收深度均随着施氮量的增加而减小。相关分析表明,苗期叶片全氮含量与吸收特征参量相关性最为密切。进一步基于各光谱吸收特征参数建立了油菜氮素营养的评价模型,这些评价模型除现蕾期外,其他均达到了1%的极显著性水平。研究表明,利用包络线消除法为定性和定量评价油菜氮素营养是可行的,苗期是利用光谱吸收特征来定量评价油菜氮素营养的最佳生育期。     

基于高光谱图像光谱与纹理信息的生菜氮素含量检测

高光谱图像包含丰富的光谱与图像信息,该文基于此试图构建生菜氮素检测模型。利用高光谱图像采集系统获取可见-近红外(390~1 050 nm)范围内的生菜叶片高光谱图像,同时利用凯氏定氮法获取对应叶片的氮素值。将光谱反射值较大波长图像与反射值较小波长图像相除并用阈值化法构建掩膜图像,获取感兴趣区域(ROI,region of interest)。由于高光谱数据量大、且数据间冗余性强,因此如何有效的提取一些特征波长十分重要。该文采用主成分分析(PCA,principal component analysis)对原始高光谱图像进行处理,根据前3个主成分图像(PC1、PC2、PC3)在全波长下的权重系数分布图选出662.9、711.7、735.0、934.6 nm 4个特征波长及对应的光谱特征,并且分别提取4个特征波长图像、主成分图像PC1、PC2、PC3在ROI下的基于灰度共生矩阵的纹理特征,最后利用支持向量机回归(SVR,support vector machine regression)分别建立生菜叶片基于特征波长光谱特征、特征波长图像与主成分图像的纹理特征及光谱纹理融合特征与对应氮素值之间的关系模型。结果表明,在校正性能指标决定系数R2C上,基于光谱特征+特征波长图像纹理特征的模型较好,R2C=0.996,校正集均方根误差RMSEC为0.034;在预测性能指标决定系数R2P上,基于光谱特征的模型较好,R2P=0.86,预测集均方根误差RMSEP为0.22。该研究结果可为农作物氮素的快速、无损检测提供一定的参考价值。     

黄土丘陵区土壤—作物系统氮素特征与管理

基于长期定位试验,对黄土丘陵区的晋西北河曲县砖窑沟试验区土壤氮素资源与分布,土壤氮素变化和农田氮素平衡进行了分析,并探讨了该区氮素管理策略和施肥方案。结果表明,试验区土壤全氮含量平均为0.4.g/kg,土壤碱解氮为16.76.mg/kg,氮素水平低,供氮能力差。土壤氮素含量呈现耕地草地林地的分布态势。经过连续13年的施肥处理,施有机肥和有机、无机肥配施020cm土层全氮含量显著提高了12.0%～105.6%,2040cm土层全氮含量变化没有显著差异;各施肥处理020cm土壤碱解氮均呈上升趋势,增加了32%～299%,土壤有效氮的增加与连续施入有机肥的量有关。施肥处理的糜子农田的土壤氮素均呈现出盈余状况,马铃薯田则基本保持平衡。因此,在轮作周期中应根据前茬作物的需氮特性和收成情况确定当季作物的氮肥施用量。糜子和马铃薯的施肥应以氮肥和有机肥为主,氮磷比例分别为1∶0.5～0.7和1∶0.7左右为宜。     

高光谱图像检测马铃薯植株叶绿素含量垂直分布

为了检测马铃薯作物叶绿素含量,该文按照叶片垂直分布位置采集马铃薯叶片样本的成像高光谱数据,提取并计算了400个划分区域的平均光谱,使用手持式SPAD-502叶绿素仪测定了相应位置的SPAD(soil plant analysis development)值。采用标准正态变量校正(standard normal variate,SNV)方法对光谱数据进行预处理,分析了开花期植株自下而上垂直叶位间光谱和叶绿素分布关系,其光谱反射率在382~700 nm区间随叶位的升高反射率增加(上中下),在700~1 019 nm范围下叶位反射率高于上部和中部叶位(下上中),且SPAD均值依次为36.41、43.11、47.04。分别采用相关系数分析法和随机蛙跳(random frog,RF)算法筛选叶绿素含量敏感波长,并建立偏最小二乘回归(partial least squares regression,PLSR)模型。结果如下:基于相关系数分析法筛选的12个敏感波长主要位于530~550和706~708nm范围,建模精度RC2为0.7 588,验证精度RV2为0.5 773;基于random frog算法筛选的11个敏感波长(554.62、560.26、575.04、576.35、595.09、604.7、649.44、731.8、752.78、786.38、789.97 nm),建模精度RC2为0.8 423,验证精度RV2为0.7 676。选取RF-PLS模型计算马铃薯叶片每个像素点的叶绿素含量,绘制不同叶位马铃薯叶片叶绿素含量可视化分布图,结果可反映马铃薯在开花期植株上叶片叶绿素动态响应关系,实现了不同叶位马铃薯叶片叶绿素含量无损检测以及分布可视化表达。     

北京典型耕作土壤养分的近红外光谱分析

为研究土壤养分含量分布信息,以从北京郊区一块试验田采集的72个土壤样品为试验材料,应用傅里叶变换近红外光谱技术分析了土样的全氮、全钾、有机质养分含量和pH值。采用偏最小二乘法(PLS)对光谱数据与土壤养分实测值进行回归分析,建立预测模型,以模型决定系数(R2)、校正标准差(RMSECV)、预测标准差(RMSEP)和相对分析误差(RPD)作为模型精度的评价指标。结果表明,利用该模型与光谱数据对土壤全氮、全钾、有机质养分含量和pH值进行预测,结果与实测数据具有较好的一致性,最高决定系数R2达到0.9544。偏最小二乘回归方法建立的养分预测模型能准确地对北京地区褐土土质全氮、有机质、全钾和pH值4种养分进行预测。     

基于光谱分析的土壤游离铁预测研究

土壤游离铁含量的高低可作为土壤系统分类中判断土壤类型的诊断指标,同时也对土壤风化程度具有指示作用,并在一定程度上反映了土壤的成土环境。本研究调查了安徽宣城的91个土壤剖面,共398个土壤样品,采集了样品在350~2500 nm波段的漫反射光谱数据,并对游离铁含量进行化学分析。光谱数据包括反射率(R)、反射率一阶导数(FDR)和吸收度(Log(1/R))3种形式。本文采用偏最小二乘回归算法(PLSR)和反向神经网络(BPNN)建模预测游离铁含量,并分析不同形式光谱数据的建模预测效果。结果表明:当存在游离铁20 g/kg的样本时,传统建模方法不能准确预测游离铁含量(R20.6,RPD1.5),相对R和Log(1/R)两种光谱数据,以FDR作为自变量建模预测游离铁含量的效果最差。     

不同形式的光谱参量对春玉米氮素营养诊断的比较

选择适宜的光谱参量,对利用光谱技术进行作物营养诊断精确度的提高是至关重要的。该文对单因素氮处理下春玉米（Zea may L.）不同层位叶片光谱反射率与氮含量作了相关分析,探讨了叶片水平上单波段光谱反射率（R）、单波段光谱反射率的对数（LgR）、双波段组合光谱反射率（R1+R2）、以及对数形式的双波段组合光谱反射率（LgR1+ LgR2）4种形式光谱参量对氮素营养诊断的可靠性。结果表明,第6片完全展开叶叶片光谱反射率与氮含量在可见光波段存在较高的负相关关系,以550和720 nm两波段组合的光谱参量（LgR550+LgR720和Lg(R550+R720)）建立的线性回归方程的拟合度最好;不同生育期应选择对养分盈亏敏感的叶片作为营养诊断的光谱监测目标,不同生育期叶片氮素营养的光谱敏感波段不同,应选择二者相关性高的波段,较为适宜的光谱参量形式与营养成分建立估算模型。研究表明,经对数处理后的光谱参量,无论是单波段还是双波段,拟合方程的精度都有不同程度的提高,且方程的稳定性也增强,说明对数形式的光谱参量提高了对氮素营养诊断的精确度。     

基于1D-CNN的土壤全氮近红外光谱预测模型

摘要：【目的】传统的基于近红外光谱数据预测土壤全氮的方法需要对原始光谱数据做复杂的预处理，筛选出与土壤全氮含量相关性高的敏感波长之后进行模型的回归拟合。本文提出一种一维卷积神经网络（1D-CNN）模型，可以在对数据进行简单预处理甚至无处理的情况下达到非常理想的结果，实现用近红外光谱技术对土壤全氮含量的预测。【方法】于江苏无锡采集410个土壤样品，利用半微量开氏法(NY/T 53-1987)测定土壤的全氮含量，并利用NIR Quest 512光谱仪，在室内环境下对每份土壤样品做光谱检测，并用均值中心化(CT)、标准正态变换(SNV)、趋势校正(DT)对光谱进行预处理，运用偏最小二乘回归（PLS）、BP神经网络、1D-CNN方法建立土壤全氮含量的回归预测模型。每种模型在采用不同预处理方法的数据集上做十折交叉验证，记录预测模型的决定系数(R2)和均方根误差(RMSE)的平均值，并对比三种预处理方法对模型精度的影响。【结果】证明了本文提出的1D-CNN模型基于土壤近红外光谱数据预测土壤全氮含量的可靠性。使用原始数据与经均值中心化、标准正态变换、趋势校正预处理的数据训练得到的1D-CNN模型的决定系数分别为0.907、0.931、0.922、0.964，构建的PLS回归模型决定系数为0.856、0.863、0.861、0.880，训练的BP神经网络的决定系数为0.874、0.907、0.901、0.911。【结论】本文提出的1D-CNN模型在原始数据和经预处理的光谱数据上的表现都优于PLS和BP神经网络，且可以证明，对光谱数据进行预处理能够有效提高1D-CNN模型的性能，尤其是趋势校正对模型的提升效果最明显。研究表明，1D-CNN能更好地提取光谱特征并建立其与含氮量的映射关系，有效地避免过拟合，在未经过预处理的光谱数据上依然能够达到一定的精度。     

基于综合指标的冬小麦长势无人机遥感监测

作物长势监测可以及时获取作物的长势信息,该文尝试建立新型长势指标,监测小麦总体长势情况。将反映小麦长势的叶面积指数(leaf area index,LAI)、叶片叶绿素含量、植株氮含量、植株水分含量和生物量5个指标按照均等权重综合成一个指标,综合长势指标(comprehensive growth index,CGI)。利用450~882 nm范围内单波段和任意两个波段构建归一化光谱指数(normalized difference spectral index,NDSI),比值光谱指数(ratio spectral index,RSI)和简单光谱指数(simple spectral index,SSI),计算CGI与光谱指数的相关性,筛选出相关性好的光谱指数,结合偏最小二乘回归(partial least squares regression,PLSR)建立反演模型。以CGI为指标,运用无人机高光谱影像对2015年小麦多生育期的长势监测。结果表明:1)冬小麦各生育期,总体上CGI与光谱指数的决定系数R~2均好于各项单独指标与相应光谱指数的R~2。仅孕穗期CGI和RSI(754,694)的R~2比叶绿素和RSI(486,518)的R~2低,开花期的CGI和R570的R~2比生物量和R834的R~2低以及灌浆期CGI和SSI(582,498)的R~2比植株含水量和SSI(790,862)的R~2低。2)拔节期,孕穗期,开花期,灌浆期和全生育期PLSR模型的建模R~2分别为0.70,0.72,0.78,0.78和0.61。拔节期,孕穗期和开花期的无人机CGI影像验证模型的均方根误差RMSE(root mean square error)分别为0.050,0.032和0.047。CGI与相应光谱指数的R~2高于单独各项指标与相应光谱指数的R~2,光谱指数能够很好反映CGI包含的信息。无人机高光谱影像反演CGI精度较高,能够判断出小麦总体的长势差异,可为监测小麦长势提供参考。     

采用GA-ELM的寒地水稻缺氮量诊断方法

为快速、准确、无损实现寒地水稻缺氮量的诊断。该文基于田间试验系统采集的资料,研究东北粳稻氮素含量的亏损或富余与光谱反射率差值之间的关系,并建立东北粳稻氮素含量差值的反演模型。该文采用高光谱反演水稻的缺氮量,并为实施精准施肥提供参考依据,达到减肥不减产的目的,采用产量最高的原则来构建标准氮素含量与标准光谱反射率,并在此基础上,将获取的水稻叶片氮素含量和叶片光谱反射率分别与标准氮素含量和标准光谱反射率做差,得到氮素含量差值和光谱反射率差值,然后对光谱反射率差值分别采用离散小波多尺度分解、连续投影法(successive projections algorithm,SPA)和构建植被指数的方法进行降维处理,将处理后的结果分别作为偏最小二乘(partial least squares regression,PLSR)、极限学习机(extreme learning machine,ELM)和遗传算法优化极限学习机(genetic algorithm-extreme learning machine,GA-ELM)的建模输入,构建东北粳稻氮素含量差值的反演模型。结果分析表明:采用离散小波多尺度分解的结果建立的GA-ELM反演模型预测效果最好,训练集与验证集的R2均在0.7062以上,均方根误差(root mean square error,RMSE)均低于0.51mg/g以下,在预测能力、稳定性和泛化性上比PLSR和ELM的预测模型有明显提高。     

应用数字图像进行小麦氮素营养诊断中图像分析方法的研究

简便、快速、经济地诊断作物氮素营养状况是实施氮肥用量调控的关键。利用数码相机对作物冠层进行拍照, 通过图像处理软件获得作物色彩参数, 根据色彩参数与作物氮素营养状况的关系可以对其氮素丰缺进行诊断。针对作物数字图像色彩参数的获取方法, 结合小麦多水平氮肥试验, 采用遥感软件PCI Geomatics的非监督分类功能, 将小麦图像分为土壤、反光叶面和不反光叶面, 与Adobe Photoshop 软件普通图像处理方法对照, 比较分析了小麦图像不同类别叶片的8 种色彩参数与SPAD 值及植株全氮的相关性。结果表明, 返青期小麦反光叶面的G/R 与R/(R+G+B)色彩参数能较好地反映小麦的氮素营养状况; 拔节期不反光叶面和反光叶面的R/(R+G+B)色彩参数与植株全氮相关性较好。利用普通图像处理软件获得色彩参数的方法有待改进, 图像分类后能够提高其色彩参数对作物氮素营养诊断的准确性。     

基于多光谱图像技术的番茄营养素诊断模型

为了快速、准确估测番茄营养水平和生长状态,利用多光谱图像分析技术研究了温室番茄营养素含量和图像特征的相关性。在日光条件下采集了温室番茄叶片多光谱图像,并采用多尺度Retinex算法有效地解决了叶片平整度差异造成的图像质量退化问题。从颜色模型、比值植被指数和归一化差值植被指数出发,自定义了49个多光谱图像特征参数。结合相关性分析和系统聚类分析消除了多光谱图像特征参数的多重共线性,并提取了4个能反映叶绿素含量(SPAD指数)和全氮含量预测模型,其中SPAD指数模型的决定系数(R2)为0.8668,均方根误差(RMSE)为3.997;全氮模型的R2为0.7284,RMSE为0.5130。     

不同品种玉米氮含量与叶片光谱反射率及SPAD值的相关性

为明确不同玉米品种SPAD值及光谱反射率进行氮素营养诊断的可行性,以华北地区的6个主要玉米杂交品种中单909、隆平206、郑单958、金赛06-9、农华101与登海605为材料,设置0.04、0.4、2.0和4.0 mmol/L 4个氮水平的砂培试验,研究了玉米拔节期氮含量、叶片光谱反射率及SPAD值的处理间差异,及其不同氮水平下玉米氮含量与叶片550 nm处的光谱反射率及SPAD值的相关性。结果表明:来源于氮水平的变异远高于品种及二者交互作用引起的变异,植株氮含量与叶片550 nm处的光谱反射率呈显著负相关关系(R=-0.808 8),氮含量与SPAD值存在极显著的正相关性(R=0.895 6)。因此,通过SPAD值及光谱反射率对华北地区玉米杂交种进行氮素营养诊断是可行的,且用SPAD值来诊断氮素营养状况要比光谱反射率的精确度高。     

应用数字图像分析技术进行棉花氮素营养诊断的研究

本文利用图像分析技术并结合常规观测手段,研究应用图像分析技术诊断棉花氮素营养状况的可行性及获取的光谱参数与表征棉花氮素营养状况的生物学参数之间的关系.结果表明:棉花在不同时期特征光谱参数与棉花含氮量及叶片含氮量呈显著相关,其中盛蕾期棉花全氮含量与光谱参数的相关性最好,在盛花期棉花叶片含氮量与光谱参数的相关系数最高,G/(G R B)可作为氮素营养诊断的指标.在棉花全生育期内,地面覆盖度与棉花叶面积指数、生物量及吸氮量呈显著相关,在出苗至盛花期之间达极显著相关.经检验,地面覆盖度可很好地预测棉花的叶面积指数、生物量及吸氮量,相对误差分别为26.2%、3.46%和3.37%.